融合上下文信息和注意力的遥感小目标检测.pdfVIP

第４５卷第１期吉林师范大学学报(自然科学版)Ｖｏｌ.４５ꎬＮｏ.１

２０２４年２月ＪｏｕｒｎａｌｏｆＪｉｌｉｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)Ｆｅｂ.ꎬ２０２４

ｄｏｉ:１０.１６８６２/ｊ.ｃｎｋｉ.ｉｓｓｎ１６７４￣３８７３.２０２４.０１.０１８

融合上下文信息和注意力的遥感小目标检测

周华平ꎬ张杰

(安徽理工大学计算机科学与工程学院ꎬ安徽淮南２３２００１)

摘要:针对Ｆａｓｔｅｒ￣ＲＣＮＮ算法在遥感图像当中对小目标的漏检、检测精度不高等问题作出改进.用特征提取

能力更强的ＲｅｓＮｅｔ５０网络替换ＶＧＧ１６ꎻ同时为了加强对遥感小目标信息的提取ꎬ引入特征金字塔ꎬ添加多尺

度扩张卷积模块来增强特征金字塔的上下文特征ꎬ扩充小目标信息ꎬ使用通道注意力机制来减少特征融合过

程中带来的信息混淆ꎬ提高模型对遥感小目标的检测效果.实验表明ꎬ所改进的方法在ＨＲＲＳＤ遥感数据集达

到８６.７％的检测精度ꎬ较改进前提升了５.２％ꎬ同时检测效果也优于当前的一些主流检测模型ꎬ证明了改进后

模型的有效性.

关键词:遥感小目标ꎻ特征金字塔ꎻ多尺度扩张ꎻ信息混淆ꎻ通道注意力

中图分类号:ＴＰ３９１文献标志码:Ａ文章编号:１６７４￣３８７３￣(２０２４)０１￣０１１７￣０９

０引言

伴随着深度学习的快速发展ꎬ小目标检测技术得到了高度认可ꎬ在军事、遥感、城市建设等领域发挥

[１]

出巨大作用.小目标由于可辨识度较低ꎬ在图像中占比较少ꎬ导致特征信息不能充分利用ꎬ容易受背

景影响等因素ꎬ相对于常规大中目标检测任务来说ꎬ现有的模型对小目标的检测精度一直不够高.因此

如何对小目标进行有效的检测和识别ꎬ成为计算机视觉领域一个重难点.

[２][３]

在深度学习领域ꎬ目标检测任务算法主要分为两类:一种是以ＳＳＤ和ＹＯＬＯ系列为代表的单阶

[４][５]

段检测算法ꎬ这类算法有着速度的优势ꎬ但牺牲了精度ꎻ另一种是以Ｆａｓｔｅｒ￣ＲＣＮＮ和Ｍａｓｋ￣ＲＣＮＮ等

ＲＣＮＮ系列为代表的双阶段检测算法ꎬ检测精度得到了较大提升ꎬ但网络参数比较大ꎬ导致检测速度劣

于单阶段算法的检测速度.

在当前的目标检测任务中ꎬ由于小目标携带信息较少ꎬ容易受背景干扰等原因ꎬ导致现有的主流模

型对于小目标的检测精度一直不高ꎬ由此一些学者开始关注于小目标检测任务ꎬ并作出了些许改进.跨

[６]

层注意力网络(ＣＡ￣Ｎｅｔ)改进了一种注意力网络ꎬ添加到模型里面ꎬ利用目标的上下文信息来辅助辨

[７]

识小目标ꎻＺｈｕ等使用大分辨率进行输入来获取更多有效信息ꎬ从而提升对小目标的检测效果ꎻ李文

[８]

涛等提出一种改进后的通道注意力融合机制ꎬ通过对不同通道小目标权重分配来增强小目标跟通道

[９]

信息之间的联系ꎬ从而提高对小目标物体的检测结果ꎻ张寅等对底层特征图当中的感受野进行融合ꎬ

生成一种新的注意力ꎬ从而增加了对遥感小目标信息特征的获取.

受上述方法的启发ꎬ基于Ｆａｓｔｅｒ￣ＲＣＮＮ算法、ＲｅｓＮｅｔ５０作为特征提取网络ꎬ引入特征金字塔ꎬ提出了

一种融合上下文信息和注意力的遥感小目标算法ꎬ通过添加多尺度扩张卷积模块来增强模型的上下文

特征ꎬ扩充遥感小目标信息ꎬ加入通道注意力机制来解决特征融合时带来的信息混淆问题ꎬ从而提升整

个模型对遥感小目标的检测效果.

收稿日期:２０２３￣１２￣３０

基金项目:国家自然科学基金项目ꎻ安徽省重点研发计划国际科技合作专项项目(２０２００４

第一作者简介:周华平(１９７９—)ꎬ女ꎬ河南省南阳市人ꎬ教授ꎬ博士ꎬ博士生导师.研究方向:数据挖掘、信息